总有人在后盾问我，现在 TensorFlow 和 PyTorch 两个深度学习框架，哪个更风行？
就这么说吧，往年面试的实习生，问到罕用的深度学习框架时，他们清一色的抉择了「PyTorch」。
这并不难理解，这两年，PyTorch 框架凭借着对初学者的敌对性、灵活性，倒退迅猛，简直占据了深度学习畛域的半壁江山。比起 TF 的框架环境配置不兼容，和 Keras 因为高度封装造成的不灵便，PyTorch 无论是在学术圈还是工业界，都相当占优势。不夸大地说，把握了 PyTorch，就相当于走上了深度学习、机器学习的快车道。
那么，PyTorch 为什么这么强？
首先，PyTorch 的命令式的编程格调，这对用户很敌对。
PyTorch 设计得更迷信，不用像 TF 那样，还要在各种 API 之间做切换，操作便捷。代码可读性也更强，能让人把注意力集中在问题自身而不是实现。一个 layer 也只对应一种函数，不必去纠结应该学习哪个。
其次，PyTorch 的易用性更好，而且生态起来了，大部分论文开源都是用 PyTorch。
PyTorch 各种开发版本都能向下兼容，环境配置和网络搭建分分钟拿下。而且 PyTorch 跟 NumPy 格调比拟像，轻易就能和 Python 生态集成起来，开发者把握了 NumPy 跟根本的深度学习概念就能上手。
还有，PyTorch 在 debug 代码的过程也非常不便，能够随时输入两头向量后果。
应用 PyTorch 就像在 Python 中应用 print 一样简略，只有把一个 pdb 断点扔进 PyTorch 模型里，间接就能用了。
而且 PyTorch 的利用范畴越来越广，不仅可能帮你实现模型和算法，疾速实现深度学习模型部署，提供高并发服务，还能够轻松去实现图像生成、文本剖析、情感剖析这样的乏味试验。
从上面这张图就能够看出，它的技术迭代速度，还有生态倒退速度都是十分迅猛的。
趋势图
当初，越来越多的大公司都在应用 PyTorch，很多大厂招聘中，跟算法相干的岗位，也同样会要求你纯熟应用 PyTorch 等工具。
PyTorch 这么多长处，要如何高效入门？
在我看来，好的学习材料至多要满足 2 点：一站式学习 + 样例导向。
不仅能给出常识体系、线索，掰开揉碎了讲清楚。在此基础上，还要依据理论的案例，上手实操，练过、犯过错，能力懂其中的窍门，而不是输入一些死记硬背的概念。
当然，想满足这个条件的课程，须要老师有长时间的打磨和深厚的功底。
残缺跟下来，你能取得这样一个从「具体问题 → 找适合的算法与模型 → 自主解决问题」残缺技术框架。而纯熟应用 PyTorch 工具，解决本人的问题，实现一个小指标。
我很看重的一点，专栏不会“列举”特地多的公式、简单的推理、大量的程序等，而是把原理详解 + 入手实操，对症下药。在率领解决问题的过程中帮忙你吃透知识点，触类旁通。
课程设计遵循从入门到精通，分为 3 个递进的局部。
● 根底篇
简要介绍 PyTorch 的发展趋势与框架装置办法，以及 NumPy 的罕用操作。咱们约定应用 PyTorch 1.9.0 版本，还会给你具体解说装置跟罕用编程工具。
● 模型训练篇
想要疾速把握一个框架，就要从外围模块动手。在这个局部，为你详解主动求导机制、训练过程可视化、分布式训练等模块，带你看看 PyTorch 能给咱们提供怎么的帮忙。通过这个局部的学习，你就能基于 PyTorch 搭建网络模型了。
● 实战篇
整个专栏都是围绕 PyTorch 框架在具体我的项目实际中的利用来讲的，最初还会联合当下风行的图像与自然语言解决工作，串连后面两个模块的内容，为你深刻解说 PyTorch 如何解决理论问题。